『AI技术小黑板』EP02：人工智能、深度学习与大语言模型底层机制

<p>本期播客作为课程《智能体AI全栈课程》第二讲，它首先通过<strong>同心圆模型清晰界定了 AI、机器学习（ML）和深度学习（DL）之间的子集关系</strong>，并阐述了<strong>传统机器学习无法应对高维数据和特征工程挑战的“维度诅咒”</strong>。接着，详细解释了<strong>深度学习如何通过模拟人脑神经元结构（权重、偏差和激活函数）实现自动特征提取</strong>，并介绍了<strong>深度神经网络的核心训练机制：前向传播、损失函数计算和反向传播（梯度下降）</strong>。最后，将重点转向现代 AI，<strong>阐述了 LLM 主要依赖的 Transformer 架构如何通过注意力机制解决传统循环神经网络（RNN）的梯度消失问题</strong>，并对比了<strong>生成式 AI 与更具决策、推理和自主性能力的智能体 AI 之间的区别</strong>。</p>